Identification of robust deep neural network models of longitudinal clinical measurements.
Identification of robust deep neural network models of longitudinal clinical measurements.
复制标题
DOI：
10.1038/s41746-022-00651-4
复制
发表时间：
2022-07-27
影响因子：
15.2
通讯作者：
中科院分区：
文献类型：
--
作者：
来自电子健康记录的深度学习（DL）有望用于疾病预测，但从模拟纵向临床测量中学习的系统方法尚未报道。我们使用模拟的体重指数（BMI）、葡萄糖和收缩压轨迹比较了9个DL框架，独立隔离了形状和幅度变化，并评估了各种参数（例如，不规则、缺失）。总体而言，基于形状变化的区分比大小更具挑战性。时间序列森林卷积神经网络（TSF-CNN）和Gramian角场（GAF）-CNN的表现优于其他方法（P < 0.05），两种模型的总曲线下面积（AUC）均为0.93，幅度和形状的变化为0.92和0.89，缺失数据高达50%。此外，在现实世界的评估中，TSF-CNN模型仅使用BMI轨迹预测T2 D，AUC达到0.72。总之，我们对DL方法进行了广泛的评估，并根据纵向临床测量确定了疾病预测的鲁棒建模框架。
Deep learning (DL) from electronic health records holds promise for disease prediction, but systematic methods for learning from simulated longitudinal clinical measurements have yet to be reported. We compared nine DL frameworks using simulated body mass index (BMI), glucose, and systolic blood pressure trajectories, independently isolated shape and magnitude changes, and evaluated model performance across various parameters (e.g., irregularity, missingness). Overall, discrimination based on variation in shape was more challenging than magnitude. Time-series forest-convolutional neural networks (TSF-CNN) and Gramian angular field(GAF)-CNN outperformed other approaches (P < 0.05) with overall area-under-the-curve (AUCs) of 0.93 for both models, and 0.92 and 0.89 for variation in magnitude and shape with up to 50% missing data. Furthermore, in a real-world assessment, the TSF-CNN model predicted T2D with AUCs reaching 0.72 using only BMI trajectories. In conclusion, we performed an extensive evaluation of DL approaches and identified robust modeling frameworks for disease prediction based on longitudinal clinical measurements.
登录
查看更多内容
影响因子：
4.5
作者：
Mathur R;Rotroff D;Ma J;Shojaie A;Motsinger-Reif A
通讯作者：
Motsinger-Reif A
DOI：
10.1093/jamia/ocy142
发表时间：
2019-03-01
影响因子：
6.4
作者：
Baowaly, Mrinal Kanti;Lin, Chia-Ching;Chen, Kuan-Ta
通讯作者：
Chen, Kuan-Ta
影响因子：
8.1
作者：
Deng, Houtao;Runger, George;Vladimir, Martyanov
通讯作者：
Vladimir, Martyanov
影响因子：
3.9
作者：
Karim, Fazle;Majumdar, Somshubra;Chen, Shun
通讯作者：
Chen, Shun
DOI：
10.1093/jamia/ocw112
发表时间：
2017-03-01
期刊：
Journal of the American Medical Informatics Association : JAMIA
影响因子：
--
作者：
Choi E;Schuetz A;Stewart WF;Sun J
通讯作者：
Sun J